Содержание к диссертации
Введение
1 Разработка и анализ математической модели процесса совмещения данных ДЗЗ и ЦКМ 17
1.1 Математическая модель процесса совмещения цифровых карт местности с данными дистанционного зондирования Земли 17
1.2 Анализ требований к источникам исходных данных 22
1.2.1 Анализ требований к данным дистанционного зондирования Земли, получаемых от сенсоров космических
1.3 Методы и алгоритмы совмещения цифровых карт местности с данными дистанционного зондирования Земли 34
1.3.1 Краткая характеристика существующих методов и алго
1.3.2 Методы и алгоритмы совмещения, основанные на использовании искусственных нейронных сетей и нейро-подобных концепций 39
1.4 Постановка задачи 55
2 Разработка алгоритма моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спут никовом снимке 57
2.1 Алгоритм моделирования системы искусственного интеллекта 57
2.2 Выделение образов на спутниковом снимке 60
2.2.1 Структура, принципы обучения и функционирования 60
2.2.2 Инициализация весов нейронов карты с помощью датчика псевдослучайных чисел. Выбор датчика псевдослучайных чисел 63
2.2.3 Обучение 64
2.3 Классификатор 67
2.3.1 Структура, принципы обучения и функционирования классификатора 67
2.3.2 Алгоритм построения векторного пространства признаков образов 70
2.3.3 Машина опорных векторов 78
2.3.4 Искусственная нейронная сеть прямого распространения без обратных связей 84
2.4 Поиск соответствий между образами, выделенными на спутниковом снимке, и объектами, присутствующими на ЦКМ 97
2.5 Основные результаты 98
3 Разработка алгоритма моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ с помощью контурного корреляционного совмещения, основанно го на использовании нейросетевой ассоциативной памяти . 99
3.1 Алгоритм моделирования системы искусственного интеллекта . 99
3.2 Предварительная обработка спутникового снимка 102
3.2.1 Описание алгоритма 102
3.2.2 Алгоритм устранения слабых и прерывистых контуров . 103
3.3 Выделение контуров на спутниковом снимке 106
3.3.1 Описание алгоритма 106
3.3.2 Алгоритмы выделения контуров на спутниковом снимке 107
3.4 Описание контуров 113
3.5 Поиск совпадений контуров образов на спутниковом снимке с границами объектов на ЦКМ 114
3.5.1 Структура коррелятора, принципы его обучения и функционирования 114
3.5.2 Формирование множества пар совпадающих точек . 117
3.6 Основные результаты 117
4 Экспериментальные исследования возможности использования систем искусственного интеллекта, выполняющих совмещение спутниковых снимков и ЦКМ 119
4.1 Описание программного стенда 119
4.2 Порядок проведения экспериментального исследования 120
4.2.1 Цели экспериментального исследования 120
4.2.2 Условия проведения экспериментального исследования . 121
4.2.3 Входные и выходные параметры экспериментального ис-
4.2.4 План проведения экспериментальных исследований . 130
4.3 Результаты экспериментального исследования 132
4.3.1 Методика анализа результатов экспериментального
4.3.2 Результаты экспериментального исследования 133
Заключение 155
Литература
- Анализ требований к данным дистанционного зондирования Земли, получаемых от сенсоров космических
- Структура, принципы обучения и функционирования
- Поиск соответствий между образами, выделенными на спутниковом снимке, и объектами, присутствующими на ЦКМ
- Алгоритм устранения слабых и прерывистых контуров
Анализ требований к данным дистанционного зондирования Земли, получаемых от сенсоров космических
Размерность Ermse - размерность х и у, что обеспечивается, в том числе, отсутствием нормировки Е (требование Е — оо при уменьшении качества совмещения). Таким образом, физический смысл Ermse заключается в оценке вариации в конкретных величинах между идеальным смещением (математическое ожидание оцениваемой величины) и реальным результирующим смещением (оцениваемая величина) - ошибкой функции сотр.
Функция совмещения сотр предполагает выполнение следующих действий: 1) поиск findeqU на спутниковом снимке В и карте М пар совпадающих точек pequ (1.9): Praw equ = findequ(B, M, coord); (1.9) Praw equ = {Pequ}] Pequ = (Цеди, jequ) , (xequ, yequ)) ] (1-10) 2) расчет для каждой пары pequ точек вероятности совпадения validity(pequ); 3) составление множества Pequ пар совпадающих точек (1.11): Pequ Є Pequ Ф= Validity(Pequ) Pequ] О-И) TegM Є [0,1), где Tegu суть есть минимально допустимая для включения в множество Рщи вероятность (порог вероятности) того, что рассматриваемая пара pequ точек совпадает друг с другом; 4) расчет eval по множеству Pequ преобразования сотр (1.12): сотр = eval(Pequ)- (1-12)
Этап поиска пар совпадающих точек pequ является самым сложным в ходе совмещения спутникового снимка В и ЦКМ М. Под «сложностью» в данном случае понимается как временная сложность, так и сложность по памяти.
Действительно, как показано в [1], один из самых эффективных по времени алгоритмов поиска совпадающих точек (контурное корреляционное совмещение) имеет сложность O(1067V2). В работе [1] алгоритм контурного корреляционного совмещения применяется для поиска совпадающих точек на ракурсе трехмерной модели местности и данных от камер, установленных на борту летательного аппарата (самолета или вертолета), но принципиального упрощения данный факт не дает - нет принципиальной разницы в поиске совпадающих точек на, фактически, двухмерной сцене (спутниковом снимке) и трехмерной сцене в случае, если нет необходимости в перегенерации трехмерного ракурса.
Оптимизация алгоритма контурного корреляционного совмещения приводит к существенным расходам памяти, необходимым для организации разнообразных кешей - в том числе, кешей потоков в случае, если используется параллельная версия алгоритма, описанного в [1].
Алгоритм контурного корреляционного совмещения дает низкую точность совмещения и нуждается в дополнительной настройке при изменении погодных условий, характера местности и ряда других факторов. Таким образом, актуальной является задача разработки алгоритмов совмещения, имеющих низкую временную сложность, дающих высокое качество совмещения и, по возможности, низкие затраты по памяти.
Функция validity оценки вероятности совпадения пары pequ имеет сложную природу, зависящую, в общем случае, от вида функции findequ и от значений параметров алгоритма, реализующего данную фукнцию. Наиболее простой реализацией validity является оценка вероятности validitys по гистограмме отклонений Sx и 5у (1.13): максимальные значения Sx и Sy соответственно. Таким образом, validity оценивает расстояние от pequ до моды гистограммы в случае, если гистограмма является унимодальной.
В настоящей диссертационной работе в качестве validity используется (J \AILI Ь\Л) v I/ (JQ Как правило, процесс совмещения носит итерационный характер. Поиск оптимального преобразования camp происходит до тех пор, пока Е(сотр , Р) ТЕ, где ТЕ Є Ш - максимально допустимая ошибка совмещения сотр , при которой процесс совмещения будет остановлен. На каждой итерации предполагается постепенное уменьшение Tequ, что приведит к росту Реди, что, в свою очередь, приводит к тому, что для расчета преобразования сотр используется больше точек из Praw equ. Таким образом, следствием постепенного уменьшения Тщи является постепенное уменьшение вклада в сотр пар точек pequ, оценка вероятности совпадения которых validity(peqv) выполнена неточно.
Функция eval реализует алгоритм выбора конкретного вида функции сотр и расчета ее параметров. Выбор происходит, в основном, в зависимости от Реди, а также от ряда других факторов таких, как, например, распределение validity на Pequ. В качестве функции сотр используются следующие преобразования В — В и coord — coord :
Под достаточной информативностью спутниковых снимков понимается соответствие снимков следующим критериям: разрешение - должно быть достаточным для определения отдельных малых населенных пунктов (деревень и хуторов). Как правило, таким разрешением является 30 - 60 метров на пиксель; количество и тип спектральных каналов - должно быть достаточным для выделения на снимке лесонасаждений, полей, пустырей, дорог, населенных пунктов и водных объектов. Как правило, для выделения на снимке перечисленных объектов достаточно наличие синего (В - (англ.) blue, длина волны около 450 - 515 нм), зеленого (G - (англ.) green, длина волны около 525 - 605 нм), красного (R - (англ.) red, длина волны около 630 - 690 нм) и нескольких ближних инфракрасных каналов (NIR - (англ.) near-infrared, длина волны около 750 - 1400 нм).
Таким образом, спутниковый снимок должен состоять из телевизионного (ТВ; спектральные каналы В, G, R) и тепловизионного (ТПВ; спектральные каналы R и NIR) изображений подстилающей поверхности с разрешением не более 30 - 60 метров на пиксель;
Дистрибьютор данных ДЗЗ должен выполнять следующую предварительную обработку распространяемых спутниковых снимков: спутниковых снимков к системе координат WGS-84 и проецирование спутниковых снимков в проекцию UTM, поскольку данные система координат и проекция являются общеупотребительными, их поддержка имеется в большинстве современных ГИС (ArcGIS, Erdas Imagine, Quantum GIS, GRASS и другие), большинство дистрибьюторов данных ДЗЗ распространяют спутниковые снимки.
В настоящее время российские дистрибьюторы данных ДЗЗ (компания «Совзонд», ИТЦ «СканЭкс», НЦ ОМЗ и другие) распространяют продукцию ряда КА, из которых следующие могут рассматриваться как перспективные в плане получения данных ДЗЗ для решения поставленной задачи
Структура, принципы обучения и функционирования
Существует несколько подходов к выделению образов на спутниковом снимке (функция separation в (2.1)). Как было показано в разделе 1.3.2, наиболее эффективным, с точки зрения времени выполнения и требуемых вычислительных ресурсов и позволяющим получить при этом результат качества, достаточного для дальнейшего совмещения, является подход, основанный на использовании многомерной нейронной карты Кохонена [24]. Пусть V = {v} - векторное пространство, определенное над [—1; 1] и содержащее векторы спектральных яркостей (г = К). Для спутникового снимка В справедливо, таким образом, В с V.
Алгоритм выделения образов состоит из следующих этапов: 1) классификация векторов спектральных яркостей пикселей спутникового снимка В с помощью многомерной нейронной карты Кохонена; 2) кластеризация спутникового снимка В с получением множества Q = {q} кластеров. Каждый кластер q является замкнутым множеством пикселей из В, отнесенных к одному и тому же классу Алгоритм кластеризации состоит из построчного сканирования В, классификации каждого пикселя и постепенного наращивания формируемых кластеров; 3) фильтрация выделенных кластеров с формированием на выходе множе ства Н выделенных образов.
Для каждого кластера q рассчитывается количественная оценка quality полезности кластера для дальнейшего совмещения, с помощью которой формируется множество Н образов (2.5), выделенных на спутниковом снимке: пороговое значение, определяющее минимальную оценку полезности кластера q, при которой кластер будет включен в множество Н выделенных образов. Значение Tquaiity является одним из настраиваемых параметров алгоритма совмещения.
К quality предъявляются следующие требования: оценка должна быть определена всюду на У и непрерывна на всей области определения; областью значений оценки является диапазон [0; 1]; значение оценки должно быть тем больше, чем выше полезность кластера q для дальнейшего совмещения.
В качестве quality могут быть использованы различные оценки. Экспериментальные исследования, проведенные в рамках настоящей диссертационной работы, показали, что наилучшей, с точки зрения временных затрат и качества результата, является оценка, основанная на вычислении площади кластера q (2.7): где a - коэффициент нормировки, равный количеству пикселей на спутниковом снимке В (т.е. равный площади спутникового снимка В, выраженной в пикселях).
Ключевым элементом алгоритма выделения образов является многомерная нейронная карта Кохонена, выполняющая классификацию пикселей спутникового снимка В.
Многомерная нейронная карта Кохонена выполняет разбиение исходного векторного пространства V на набор классов {V }; V С V, каждый из которых состоит из векторов, ближе всего расположенных к центральному вектору у и данного класса в смысле используемой меры расстояния d.
Нейронная карта представляет из себя многомерную сетку нейронов, каждый из которых рассчитывает меру расстояния между входным вектором и центральным вектором соответствующего класса.
Пусть s = {si,..., sn,..., SJV}; sn Є N - вектор размерностей карты. Каждому нейрону, лежащему в узловой точке карты с координатами w = (u i,..., wn,..., WN), МОЖНО поставить в соответствие вектор v u, центральный
Важно отметить, что weN. Вектор s является одним из параметров алгоритма совмещения и выбирается оператором.
Нейронная карта относится к классу ИНС, обучаемых без учителя. Обучение нейронной карты осуществляется с помощью алгоритма самоорганизации нейронной карты Кохонена.
Принцип работы многомерной нейронной карты Кохонена проиллюстрирован рисунком 2.2. На рисунке 2.2 трехмерная карта описывает двухмерное векторное пространство в соответствии с его статистическими характеристиками. Несоответствие размерности (карта большей размерности описывает пространство меньшей размерности) позволяет достичь нелинейности описания, что положительно влияет на качество выполняемой классификации и, соответственно, на качество сегментации пространства.
Сегментация двухмерного векторного пространства с помощью трехмерной нейронной карты Кохонена
В качестве меры расстояния d на векторном пространстве V могут быть использованы различные метрики. В ходе проведения экспериментов в рамках настоящей диссертационной работы оказалось, что использование Евклидова расстояния (2.8) в качестве таковой метрики является лучшим выбором с точки зрения временных характеристик и с точки зрения оценки качества совмещения.
В случае использования Евклидова расстояния в качестве метрики d задача обучения нейронной карты сводится к построению разбиения Воронова множества В - т.е. к разбиению, минимизирующему дисперсию в результирующих классах относительно соответствующих центральных векторов.
Инициализация весов нейронов карты с помощью датчика псевдослучайных чисел. Выбор датчика псевдослучайных чисел Существуют следующие подходы к инициализации весов нейронов нейронной карты Кохонена: инициализация весов нейронов нулевыми векторами; инициализация весов нейронов случайными значениями из диапазона
По результатам экспериментальных исследований для инициализации весов нейронов нейронной карты Кохонена в контексте решения задачи совмещения данных ДЗЗ и ЦКМ была выбрана инициализация весов случайными значениями из диапазона [Tmin; Ттах]. Принимая во внимание ограничение v = {vm}; vm Є [—1; 1], обуславливаемое характером предметной области, в качестве Ттіп и Ттах были выбраны следующие значения:
Поиск соответствий между образами, выделенными на спутниковом снимке, и объектами, присутствующими на ЦКМ
Исследован метод совмещения данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке. Описана система искусственного интеллекта, реализующая данный подход. Описан алгоритм моделирования данной системы.
Описаны функциональные модули системы искусственного интеллекта, в частности: модуль выделения образов на спутниковом снимке, основанный на применении самоорганизующейся многомерной нейронной карты Кохонена; модуль описания образов, основанный на использовании энергетических характеристик Лаве а и текстурных признаков Харалика для описания текстур образов и ИНС, реализующей анализ главных компонент, для понижения размерности пространства признаков образов с контролируемой потерей информации; модуль классификации образов, основанный на использовании древовидного классификатора, каждый узел которого выполняет бинарную классификацию входного множества векторов описаний образов с помощью ИНС прямого распространения без обратных связей и машин опорных векторов; модуль формирования пар совпадающих точек.
Исследованы численные методы обучения отдельных модулей рассматриваемой системы искусственного интеллекта. Предложен численный метод поиска наилучшей, с точки зрения качества выполняемой классификации, структуры ИНС прямого распространения без обратных связей, основанный на использовании генетического алгоритма и грамматик графовой генерации Кита-но для кодирования структуры ИНС. Глава З
Разработка алгоритма моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ с помощью контурного корреляционного совмещения, основанного на использовании нейросетевой ассоциативной памяти
Алгоритм моделирования системы искусственного интеллекта
На вход системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ с помощью контурного корреляционного совмещения, основанного на использовании нейросетевой ассоциативной памяти, поступают следующие данные: функция преобразования координат (i,j) пикселя Ьц спутникового снимка В в координаты (хц,Уц) точки на ЦКМ М в соответствии с системой координат и проекцией спутникового снимка В.
На выход системы искусственного интеллекта поступает множество пар совпадающих точек Praw equ (1.10), по которым в дальнейшем выполняется расчет множества пар точек Рщи (1.11) и функции camp (1.12), описывающей результирующее совмещение спутникового снимка В и ЦКМ М.
Исходный спутниковый снимок В является входным параметром модуля предварительной обработки prepare, результатом работы которого является изображение Вргр, на котором, в отличии от спутникового снимка В, отсутствуют несущественные (слабые или прерывистые) контуры.
Изображение Вргр подается на вход модуля contour, который выполняет выделение контуров на изображении. На выход модуля contour поступает контурная матрица Bcnt, каждый пиксель bcnt ij которой содержит меру силы контура, проходящего через пиксель bprp исходного изображения Вргр. Под мерой силы контура в (3.2) понимается численная мера, принимающая значения из диапазона [0; 1], где 0 соответствует отсутствию контура, а 1 максимально сильному контуру. В простейшем случае Bcnt является бинарной матрицей.
Контурная матрица Bcnt является входным параметром модуля описания контуров cdesc, результатом работы которого является множество G описаний д контуров, выделенных на изображении Вргр.
Множество G вместе с ЦКМ М поступают на вход модуля correlation, выполняющего корреляционное совмещение ЦКМ и спутникового снимка -контурам, описание которых присутствует в G, ищутся соответствия на ЦКМ (границы объектов), по результатам чего формируется множество пар совпадающих точек PTaw equ,-, по которым в дальнейшем выполняется расчет множества пар точек Pequ (1.11) и функции сотр (1.12).
В разделе 1.3.2 приведен детальный анализ возможных подходов к реализации каждого из модулей системы. Окончательно были выбраны следующие подходы:
Исходный спутниковый снимок В вследствие различных причин, к которым относятся разнообразные шумы, недостаточное разрешение аппаратуры и прочие, может содержать большое количество мелких и прерывистых контуров, непригодных для использования в процессе дальнейшего совмещения. Наличие таковых контуров требует выполнения дополнительной предобработ ка ки спутникового снимка и постобработки (фильтрации) выделенных контуров с целью устранения контуров, непригодных для дальнейшего совмещения.
Модуль предварительной обработки спутникового снимка prepare минимизирует влияние на результат совмещения несущественных (слабых или прерывистых) контуров путем выполнения следующих действий: 1) фильтрация гса аддитивных помех, имеющихся на спутниковом снимке В (3.5), для чего используется ИНС, выполняющая анализ независимых компонент ((англ.) independent component analysis, ICA); 2) фильтрация filter несущественных (слабых или прерывистых) контуров (3.6), для чего используется алгоритм, основанный на применении фильтра низких частот и фильтрации по Тихонову.
После применения к изображению фильтра низких частот (ФНЧ) все линии сглаживаются, но основная информация об объектах на изображении не теряется. Вся информация перераспределяется по некоторому закону и может быть восстановлена, за исключением мелких объектов и тонких линий, которые не существенны для дальнейшего совмещения;
После того, как с помощью ФНЧ тонкие линии и мелкие объекты были практически устранены из изображения В[ои„ выполняется восстановление четких границ крупных объектов с получением на выходе изображения Ваы ,
В [61] было выполнено сравнение ФНЧ, которые могут быть использованы в составе описываемого алгоритма, по результатам которого наилучшим выбором для реализации функции low был признан медианный фильтр.
Медианный фильтр является пространственным фильтром, не описываемым ядром свертки. Значения отсчетов внутри окна фильтра сортируются в порядке возрастания (убывания) и значение, находящееся в середине упорядоченного списка, поступает на выход фильтра. В случае четного числа отсчетов в окне выходное значение фильтра равно среднему значению двух отсчетов в середине упорядоченного списка. Окно перемещается вдоль фильтруемого сигнала и вычисления повторяются.
Алгоритм устранения слабых и прерывистых контуров
В таблице 4.7 приведены результаты экспериментального сравнения временной эффективности и оценки качества совмещения, выполненного с помощью разработанных систем искусственного интеллекта, и совмещения, выполненного рядом существующих распространенных алгоритмов. FF - обозначает алгоритм моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке с использованием древовидного классификатора и ИНС прямого распространения без обратных связей в качестве простого классификатора; SVM - обозначает алгоритм моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке с использованием древовидного классификатора и машины опорных векторов в качестве простого классификатора;
RBM - обозначает алгоритм моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска корреляции между контурами образов, выделенных на спутниковом снимке, и границами объектов, присутствующих на ЦКМ.
Процесс совмещения проиллюстрирован рисунками 4.7 - 4.17.
На рисунке 4.7 приведен исходный спутниковый снимок Рязанской области, сделанный камерой ТМ, установленной на КА «Landsat 5». Спутниковый снимок сделан 29 июля 2011-го года. На рисунке 4.8 приведена исходная ЦКМ, созданная в рамках проекта OpenStreetMaps [63].
На рисунке 4.9 приведен результат комплексирования исходного спутникового снимка и ЦКМ. Невязка между спутниковым снимком и ЦКМ обусловлена смещением по обеим координатным осям, а также поворотом спутникового снимка вокруг своего центра.
На рисунках 4.10 и 4.11 приведены результаты совмещения исходного спутникового снимка и ЦКМ, выполненного путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке с использованием древовидного классификатора. На рисунке 4.10 приведены результаты совмещения, полученные с применением ИНС прямого распространения без обратных связей в качестве простого классификатора. На рисунке 4.11 приведены результаты совмещения, полученные с применением машины опорных векторов в качестве простого классификатора.
На рисунке 4.12 приведены результаты совмещения исходного спутникового снимка и ЦКМ, выполненного путем поиска корреляции между контурами образов, выделенных на спутниковом снимке, и границами объектов, присутствующих на ЦКМ.
На рисунках 4.13 - 4.17 приведены результаты совмещения исходного спутникового снимка и ЦКМ, выполненного с помощью корреляционно-экстремального метода совмещения (рисунок 4.13), с помощью метода стабилизации изображений, основанного на преобразовании Фурье (рисунок 4.14), с помощью метода, основанного на поиске на спутниковом снимке и ЦКМ особых точек с помощью детектора SIFT (рисунок 4.15), с помощью метода, основанного на поиске на спутниковом снимке и ЦКМ особых точек с помощью детектора SURF (рисунок 4.16), с помощью метода, основанного на поиске на спутниковом снимке и ЦКМ особых точек с помощью детектора Харриса (рисунок 4.17).
Оценка качества выполненного совмещения и оценка времени, затраченного на совмещение, приведены для данного примера в таблице 4.8. В таблице 4.8 используются те же обозначения, что и в таблице 4.7.
Приведено описание и результаты экспериментального исследования, выполненного для средней полосы России (Рязанская область и соседние области и республики), в частности:
В частности, в представленной диссертационной работе были: исследованы подходы к выполнению совмещения данных ДЗЗ и ЦКМ, основанные на применении систем искусственного интеллекта, выполняющих обработку изображений; разработаны математическая модель, алгоритм моделирования и численный метод обучения системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке; разработаны математическая модель, алгоритм моделирования и численный метод обучения системы искусственного интеллекта, выполняющей классификацию образов, выделенных на изображении, с применением древовидного бинарного классификатора, основанного на машинах опорных векторов и ИНС прямого распространения без обратных связей; разработан численный метод поиска наилучшей, с точки зрения минимизации функции ошибки, структуры ИНС прямого распространения без обратных связей с применением генетического алгоритма и грамматик графовой генерации Китано; разработаны математическая модель и алгоритм моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска корреляции между контурами образов, выделенных на спутниковом снимке, и границами объектов, присутствующих на ЦКМ; разработан комплекс программных продуктов, реализующих перечисленные алгоритмы моделирования и численные методы.
Разработанные алгоритмы моделирования систем искусственного интеллекта, численные методы обучения данных систем и комплекс программ, реализующий перечисленные алгоритмы моделирования и численные методы, позволяют выполнять высокоточное оперативное автоматическое совмещение данных ДЗЗ и ЦКМ, что подтверждено экспериментальными исследованиями, проведенными в рамках подготовки диссертационной работы.
Разработанное алгоритмическое и программное обеспечение внедрены на промышленном предприятии ОАО «Государственный Рязанский приборный завод», входящем в состав ОАО «Концерн «Радиоэлектронные технологии» (г. Москва), и в учебный процесс кафедр «Космические технологии» и «Электронные вычислительные машины» ФГБОУ ВПО «Рязанский государственный радиотехнический университет».
В приложении приведены документы, подтверждающие внедрение результатов диссертации, и свидетельства о регистрации программных продуктов №№ 2014617155, 2014617156, 2014617157, выданные ФГБУ «Федеральный институт промышленной собственности Федеральной службы по интеллектуальной собственности, патентам и товарным знакам» (ФГБУ «ФИПС» - РОСПАТЕНТ).
